[发明专利]液压变桨系统的故障诊断方法和装置

说明书

提供一种液压变桨系统的故障诊断方法和装置。所述故障诊断方法包括：获取液压变桨系统的故障数据；将所述故障数据转换为故障特征向量；利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度，其中，训练特征向量是具有根因标签的故障特征向量；将相似度最高的训练特征向量的根因确定为所述故障数据的根因。所述故障诊断方法能够对液压变桨系统的故障根因快速且准确定位。

技术领域

本发明总体说来涉及风力发电机组的故障诊断领域，更具体地说，涉及一种利用非监督学习算法对风力发电机组的液压变浆系统进行故障诊断的方法和装置。

背景技术

能源是社会经济和人类生活的主要物质基础，是社会发展的动力。然而，作为世界能源主要支柱的石油、煤炭、天然气等不可再生的能源的储量日趋减少，世界各个国家都在发展风力发电，风力发电作为新能源，已经形成了成熟的规模。

风力发电机组是将风能转换成电能的设备。变桨装置为可调速的电动机通过齿轮或齿形带驱动叶片的电动方案或者由电磁阀控制液压缸直接作用于变桨轴承的液压变桨系统。目前在海上大兆瓦机组上广泛应用的液压变桨系统由位于机舱的液压站(主要包括油泵，油箱，散热系统和相关传感器)，位于轮毂的执行机构(主要包括液压缸，蓄能器，控制阀组和相关传感器组成)和用于连接的旋转接头和管路等部分组成。

如图1所示，传统的液压变桨系统都是开式阀控系统，组成部件分布在机舱和叶轮且元器件之间，需要数十根管路和电缆连接，而用于系统状态检测的传感器不能直接检测每个器件、每段管路和电缆的状态。高分布性和管路线缆众多带来的高故障点，而经济性和可实现性又约束了潜在故障的可探测度，因此现有系统存在故障点多且难以快速且准确定位的缺点，为系统运行状态的预测和准确维护带来了困难。

发明内容

本发明的示例性实施例旨在克服上述故障根因难以快速且准确定位的缺点。

根据本发明的示例性实施例，提供一种液压变桨系统的故障诊断方法，其特征在于，包括：获取液压变桨系统的故障数据；将所述故障数据转换为故障特征向量；利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度，其中，训练特征向量是具有根因标签的故障特征向量；选择相似度最高的一个或更多个训练特征向量的根因作为所述故障数据的根因。

可选地，所述故障数据可包括故障类型以及以下故障特征中的至少一个：是否停机、压力高低、流量高低、油温高低、振动高低、IO状态。

可选地，将所述故障数据转换为故障特征向量的步骤可包括：按照故障类型对所述故障数据进行编号，并将所述故障数据中包括的各个特征的值分别转换为一维向量的向量元素的值来产生具有故障编号的一维向量，作为故障特征向量。

可选地，所述故障数据中包括的各个特征的值可为二进制值，一维向量的向量元素的值可为十进制值。

可选地，所述非监督学习算法可包括KNN和KD-tree中的至少一种。

可选地，利用非监督学习算法计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度的步骤可包括：当训练数据集中的训练特征向量的数量小于预定阈值时，利用KNN计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度；当训练数据集中的训练特征向量的数量等于或大于预定阈值时，利用KD-tree计算所述故障特征向量与训练数据集中的多个训练特征向量之间的相似度。

可选地，将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤可包括：当存在多个相似度最高的训练特征向量时，将所述多个相似度最高的训练特征向量的根因确定为液压变桨系统的故障数据的可能根因。

可选地，将相似度最高的训练特征向量的根因确定为所述故障数据的根因的步骤可包括：当存在多个相似度最高的训练特征向量时，将所述多个相似度最高的训练特征向量的根因之中数量最多的根因确定为液压变桨系统的故障数据的根因。